Resumo

This study was carried out for two purposes: comparing performances of Regression Tree and Automatic Linear Modeling and determining optimum sample size for these methods under different experimental conditions. A comprehensive Monte Carlo Simulation Study was designed for these purposes. Results of simulation study showed that percentage of explained variation estimates of both Regression Tree and Automatic Linear Modeling was influenced by sample size, number of variables, and structure of variance-covariance matrix. Automatic Linear Modeling had higher performance than Regression Tree under all experimental conditions. It was concluded that the Regression Tree required much larger samples to make stable estimates when comparing to Automatic Linear Modeling.(AU)

Este estudo foi realizado com dois objetivos: comparar os desempenhos da Árvore de Regressão e da Modelagem Linear Automática e determinar o tamanho ideal da amostra para estes métodos sob diferentes condições experimentais. Um abrangente Estudo de Simulação de Monte Carlo foi projetado para estes propósitos. Os resultados do estudo de simulação mostraram que a porcentagem de estimativas de variação explicada tanto da Árvore de Regressão como da Modelagem Linear Automática foi influenciada pelo tamanho da amostra, número de variáveis e estrutura da matriz de variância-covariância. A Modelagem Linear Automática teve um desempenho superior ao da Árvore de Regressão em todas as condições experimentais. Concluiu-se que a Árvore de Regressão exigia amostras muito maiores para fazer estimativas estáveis quando comparada à Modelagem Linear Automática.(AU)

Resumo

The hatchery is one of the most important segments of the poultry chain, and generates an abundance of data, which, when analyzed, allow for identifying critical points of the process . The aim of this study was to evaluate the applicability of the data mining technique to databases of egg incubation of broiler breeders and laying hen breeders. The study uses a database recording egg incubation from broiler breeders housed in pens with shavings used for litters in natural mating, as well as laying hen breeders housed in cages using an artificial insemination mating system. The data mining technique (DM) was applied to analyses in a classification task, using the type of breeder and house system for delineating classes. The database was analyzed in three different ways: original database, attribute selection, and expert analysis. Models were selected on the basis of model precision and class accuracy. The data mining technique allowed for the classification of hatchery fertile eggs from different genetic groups, as well as hatching rates and the percentage of fertile eggs (the attributes with the greatest classification power). Broiler breeders showed higher fertility (> 95 %), but higher embryonic mortality between the third and seventh day post-hatching (> 0.5 %) when compared to laying hen breeders eggs. In conclusion, applying data mining to the hatchery process, selection of attributes and strategies based on the experience of experts can improve model performance.

Resumo

Knowing the spatial variability of sugarcane biomass in the early stages of development may help growers in their management decision-making. Proximal canopy sensing is a promising technology that can identify this variability but is limited to quantifying plant-specific parameters. In this study, we evaluated whether biometric variables integrated with canopy reflectance data can assist in the generation of models for early-stage sugarcane biomass prediction. To substantiate this assertion, four sugarcane-producing fields were measured with an active crop canopy sensor and 30 sampling plots were selected for manually quantifying chlorophyll content, plant height, stalk number and aboveground biomass. We determined that Random Forest and Multiple Linear Regression models are similarly able to predict biomass, and that associating biometric variables such as number of stalks and plant height with reflectance data can assist model performance, depending on the attributes selected. This indicates that, when estimating biomass in the early stages, sugarcane growers can carry out site-specific management in order to increase yield and reduce the use of inputs.

Resumo

Sugarcane mills in Brazil collect a vast amount of data relating to production on an annual basis. The analysis of this type of database is complex, especially when factors relating to varieties, climate, detailed management techniques, and edaphic conditions are taken into account. The aim of this paper was to perform a decision tree analysis of a detailed database from a production unit and to evaluate the actionable patterns found in terms of their usefulness for increasing production. The decision tree revealed interpretable patterns relating to sugarcane yield (R2 = 0.617), certain of which were actionable and had been previously studied and reported in the literature. Based on two actionable patterns relating to soil chemistry, intervention which will increase production by almost 2 % were suitable for recommendation. The method was successful in reproducing the knowledge of experts of the factors which influence sugarcane yield, and the decision trees can support the decision-making process in the context of production and the formulation of hypotheses for specific experiments.

Resumo

The use of data mining is a promising alternative to predict soil respiration from correlated variables. Our objective was to build a model using variable selection and decision tree induction to predict different levels of soil respiration, taking into account physical, chemical and microbiological variables of soil as well as precipitation in renewal of sugarcane areas. The original dataset was composed of 19 variables (18 independent variables and one dependent (or response) variable). The variable-target refers to soil respiration as the target classification. Due to a large number of variables, a procedure for variable selection was conducted to remove those with low correlation with the variable-target. For that purpose, four approaches of variable selection were evaluated: no variable selection, correlation-based feature selection (CFS), chisquare method (χ2) and Wrapper. To classify soil respiration, we used the decision tree induction technique available in the Weka software package. Our results showed that data mining techniques allow the development of a model for soil respiration classification with accuracy of 81 %, resulting in a knowledge base composed of 27 rules for prediction of soil respiration. In particular, the wrapper method for variable selection identified a subset of only five variables out of 18 available in the original dataset, and they had the following order of influence in determining soil respiration: soil temperature > precipitation > macroporosity > soilmoisture > potential acidity.

Resumo

Estudos recentes em produção animal têm investigado tecnologias e modelos computacionais para predição do nível de estresse térmico com o uso de medições não invasivas e automáticas. Para contribuir com esse tema, o projeto tem como objetivo a construção e teste de modelos computacionais para predição do nível de estresse térmico de bovinos de leite utilizando base de dados obtida por experimento em câmara climática. O experimento foi conduzido durante 45 dias com 10 bezerras da raça Holandesa distribuídas aleatoriamente em dois grupos. Os animais foram alocados na câmara climática (em sistema Tie Stall) e expostos a duas ondas de calor. Durante o período do experimento, além dos dados meteorológicos das instalações, foram coletados 5 vezes ao dia (6, 10, 14, 18 e 22 horas) os dados de temperatura retal, frequência respiratória e da temperatura de superfície corporal em diferentes áreas do corpo (olho, fronte, costela e flanco) utilizando a termografia de infravermelho. Para a etapa de modelagem foram avaliados diferentes algoritmos baseados em Aprendizado de Máquina (redes neurais artificiais, máquina de vetores de suporte, árvore de decisão e k-vizinhos mais próximos) utilizando combinações diferentes de entradas para classificação de atributo de nível de estresse térmico. Para determinar o desempenho dos modelos de classificação foram utilizados como métrica os parâmetros obtidos da matriz confusão gerada (acurácia, precisão e sensibilidade). Foram obtidos no trabalho modelos com acurácias acima de 90% na classificação de nível de estresse térmico animal.

Recent studies in animal production have investigated technologies and computational models for predicting the level of thermal comfort through noninvasive and automatic measurements. To contribute to this theme, the project aims to build and test computational models for predicting the level of thermal comfort of dairy cattle using a database obtained by an experiment in a climatic chamber. The experiment was conducted for 45 days with 10 Holstein calves randomly distributed in two groups. The animals were placed in the climatic chamber (in a Tie Stall system) and exposed to two heat waves. During the experiment period, in addition to the meteorological data of the facilities, rectal temperature, respiratory rate and body surface temperature were collected 5 times a day (6, 10, 14, 18 and 22 hours) different areas of the body (eye, forehead, rib and flank) using infrared thermography. For the modeling step, different algorithms based on Machine Learning (artificial neural networks, support vector machine, decision tree and closest k-neighbors) were evaluated using different combinations of inputs for classifying the thermal stress level attribute. To compare the classification models, the parameters obtained from the generated confusion matrix (accuracy, precision and recall) were used as a metric. Models with accuracies above 90% in the classification of animal heat stress level were obtained in this work.

Resumo

Pesquisas recentemente realizadas no âmbito da produção animal relacionam o estresse térmico dos animais a efeitos negativos sobre sua saúde e produtividade. Estresse térmico é uma condição que prejudica o desempenho produtivo e reprodutivo do animal, e pode ser monitorado por variáveis fisiológicas e ambientais, entre elas a temperatura de superfície corporal, através da termografia por infravermelho. O objetivo deste trabalho foi desenvolver e avaliar modelos computacionais para classificação de estresse térmico em bezerras de leite por meio da termografia por infravermelho. A base de dados utilizada para a contrução dos modelos foi obtida por meio de um experimento com 10 bezerras desaleitadas da raça Holandesa, alojadas em câmara climática com controle de temperatura e submetidas a condições térmicas de conforto e estresse por meio de ondas de calor, no qual foram coletados dados fisiológicos e ambientais, incluindo dados termográficos de diferentes partes do corpo do animal. Foram construídos e avaliados modelos computacionais baseados em algoritmos de aprendizado de máquina para classificação em níveis de conforto a partir de dados ambientais e de características extraídas dos dados de termografia através de um método denominado Assinatura Térmica. Para modelagem foram utilizadas ferramentas de tratamento e mineração de dados da plataforma de serviço de computação cognitiva Watson da empresa IBM. Os modelos classificadores de estresse térmico foram desenvolvidos a partir de três diferentes algoritmos de aprendizado de máquina, quatro subconjuntos da base de dados e três tipos de rotulagem de dados, e foram comparados com o método tradicional de classificação baseado no Índice de Temperatura e Umidade. Os modelos foram capazes de classificar o estresse térmico, tendo o melhor modelo obtido acurácia de 86,8%, comparável ao desempenho obtido por modelos de outros trabalhos, além de precisão de 89% para a classe de Estresse. Os resultados mostram que a abordagem baseada em aprendizado de máquina com a assinatura térmica foi efetiva para geração de modelos com bom desempenho e com potencial de aprimoramento.

Recent research carried out in the field of animal production relates the heat stress of animals to negative effects on their health and productivity. Heat stress is a condition that impairs the productive and reproductive performance of the animal, and can be monitored by physiological and environmental variables, including body surface temperature, through infrared thermography. The objective of this work was to develop and evaluate computational models for classifying heat stress in dairy calves using infrared thermography. The database used for the construction of the models was obtained through an experiment with 10 weaned Holstein calves, housed in a climatic chamber with temperature control and subjected to thermal conditions of comfort and stress through heat waves, in which physiological and environmental data were collected, including thermographic data from different parts of the animal's body. Computational models based on machine learning algorithms were built and evaluated to classify comfort levels from environmental data and features extracted from thermography data through a method called Thermal Signature. For modeling, data processing and mining tools from the Watson cognitive computing service platform from IBM were used. The heat stress classifier models were developed from three different machine learning algorithms, four subsets of the database and three types of data labeling, and were compared with the traditional classification method based on the Temperature and Humidity Index. The models were able to classify heat stress, and the best model obtained an accuracy of 86.8%, comparable to the performance obtained by models from other works, in addition to an accuracy of 89% for the Stress class. The results show that the approach based on machine learning with the thermal signature was effective for generating models with good performance and with potential for improvement.

Resumo

O conhecimento das estratégias comportamentais de vacas leiteiras dentro de um sistema silvipastoril pode nos ajudar compreender a termodinâmica das vacas. Portanto, neste estudo, avaliamos a influência do microclima, indicadores de conforto térmico e hierarquia social nos comportamentos diurnos e localização (sombra ou sol) de vacas leiteiras criadas em um sistema silvipastoril de clima subtropical. Para alcançar esse objetivo, a tese foi dividida em V capítulos. No capítulo I, realizamos uma revisão sistemática da literatura científica sobre os efeitos do sistema silvipastoril no ambiente físico, indicadores de conforto térmico, comportamento e respostas fisiológicas de bovinos leiteiros. Nossa revisão destacou que os comportamentos (por exemplo: ócio e ruminação) associados a postura deitado e o comportamento social e têm sido pouco explorados nos estudos. Assim, na tentativa de preencher a lacuna do comportamento social, no capítulo II avaliamos quais características fenotípicas de vacas leiterias determinam sua posição social no contexto de rebanho misto (vacas com e sem chifres) e a influência da posição social no tempo em que as vacas permanecem no cocho de alimentação. Para isso, foram calculados os valores de dominância para cada animal e o rebanho foi dividido em três categorias sociais: dominante (D), intermediário (I) e subordinado (S). Encontramos que posição social das vacas foi influenciada pela idade, massa corporal e comprimento do corpo; além da posição social influencia o tempo que cada categoria permaneceu no cocho de alimentação. Para que pudéssemos avaliar o microclima e indicadores de conforto térmico do sistema silvipastoril, no capítulo III desenvolvemos e validamos um registrador de dados autônomo (denominado ADEF) para medir variáveis ambientais. O desempenho do ADEF foi satisfatório, demonstrando que é válido como uma ferramenta de baixo custo para medir a variabilidade microclimática na área de interesse. Para que seja possível avançar no conhecimento da termodinâmica das vacas, é necessário transformar dados coletados em informações úteis; assim, no capítulo IV, aplicamos a técnica de mineração de dados para classificar fatores ambientais com potencial de motivar vacas leiteiras a acessarem sombra natural. Através da mineração de dados, encontramos que a radiação solar foi o fator ambiental com maior potencial para classificar a decisão da vaca leiteira de acessar áreas sombreadas. Pelo padrão encontrado em nosso estudo, sugerimos que trabalhos futuros utilizem indicadores de conforto térmico que considerem a radiação solar (ex. Índice de Globo Negro e Umidade ± ITGU) para avaliar o conforto térmico de vacas leiteiras criadas em áreas de pastagem. Por fim, associando os conhecimentos do comportamento social (capítulo II) e conforto térmico (capítulos III e IV), no capítulo V, avaliamos a relação entre conforto térmico, hierarquia social, localização das vacas (sombra ou sol) e seus comportamentos diurnos em um sistema silvipastoril. A localização das vacas foi influenciada pelo ITGU e hierarquia social; além desses fatores, o comportamento de deitar foi influenciado pela temperatura superficial do solo. Vacas dominantes foram mais propensas a utilizar as áreas sombreadas para ócio e ruminação deitadas do que vacas subordinadas e intermediárias; ou seja, vacas dominantes eram mais propensas a expressar seus comportamentos de conforto em áreas sombreadas. Em conclusão, através da interdisciplinaridade deste estudo foi possível avançar no conhecimento da termodinâmica de vacas leiteiras criadas em sistema silvipastoril; o qual foi possível através da integração do conhecimento do comportamento diurno e social das vacas, ferramenta de mineração de dados e o uso de sensores precisos e de baixo custo.

The knowledge of the behavioral strategies of dairy cows within a silvopastoral system (SPS) can help us to understand the FRZV¶thermodynamics. Therefore, in this study, we evaluate the influence of microclimate, thermal comfort indicators, and social silvopastoral system of a subtropical climate. To achieve this aim, the thesis was divided into V chapters. In chapter I, we carried out a systematic review of the scientific literature of the effects of silvopastoral systems on the physical environment, thermal comfort indicators, behavior, and physiological responses of dairy cattle. Our review highlighted that the behaviors (e.g., idle, and rumination) associated with lying down posture and social behavior has been low explored in the studies. Thus, to fill the gap of social behavior, in chapter II, we evaluated which animals¶ phenotypic characteristics determine the social position in the context of a mixed herd (horned and non-horned cows) and determine the influence of cows' social position on time spent at the feeder. For this, dominance values were calculated for each animal and the herd was divided into three social categories: dominant (D), intermediate (I), and subordinate (S). We found that cows' social position was influenced by age, body mass, and body length; further, the social position influenced the time that each category remained at the feeder. So that we could evaluate the microclimate and thermal comfort indicators of the SPS, in chapter III, we developed and validated an autonomous data logger (named ADEF) to measure environmental variables. The performance of ADEF was satisfactory, demonstrating that it is valid as a low-cost tool to measure microclimatic variability in the area of interest. To advance in the knowledge of the thermodynamics of cows, it is necessary to transform measured data into useful information; so, in chapter IV, we applied the data mining technique to classify environmental factors with the potential to motivate dairy cows to access natural shade. Through data mining, we found that solar radiation was the environmental factor with the greatest potential to classify the dairy cow's decision to access shaded areas. Based on the pattern found in our study, we suggest that future studies use thermal comfort indicators that consider solar radiation (e.g., Black-globe humidity index - BGHI) to assess the thermal comfort of dairy cows raised on pasture areas. Finally, associating the knowledge of social behavior (chapter II) and thermal comfort (chapters III and IV), in chapter V, we evaluated the relationship between thermal comfort indicators, social hierarchy, location of cows (shade or sun) and their diurnal behavior in a silvopastoral system and social hierarchy; further to these factors, the lying behaviors was influenced by the soil surface temperature. Dominant cows were more likely to use shaded areas for idling and rumination lying down than subordinate and intermediate cows; i.e., dominant cows were more likely to performed comfort behaviors in shaded areas. In conclusion, through the interdisciplinarity of this study, it was possible to advance on the knowledge of the thermodynamics of dairy cows raised in a silvopastoral system; which was made possible through the integration of knowledge of the diurnal and social behavior of cows, data mining tool and the use of accurate and low-cost sensors.

Resumo

Digital soil mapping is an alternative for the recognition of soil classes in areas where pedological surveys are not available. The main aim of this study was to obtain a digital soil map using artificial neural networks (ANN) and environmental variables that express soil-landscape relationships. This study was carried out in an area of 11,072 ha located in the Barra Bonita municipality, state of São Paulo, Brazil. A soil survey was obtained from a reference area of approximately 500 ha located in the center of the area studied. With the mapping units identified together with the environmental variables elevation, slope, slope plan, slope profile, convergence index, geology and geomorphic surfaces, a supervised classification by ANN was implemented. The neural network simulator used was the Java NNS with the learning algorithm "back propagation." Reference points were collected for evaluating the performance of the digital map produced. The occurrence of soils in the landscape obtained in the reference area was observed in the following digital classification: medium-textured soils at the highest positions of the landscape, originating from sandstone, and clayey loam soils in the end thirds of the hillsides due to the greater presence of basalt. The variables elevation and slope were the most important factors for discriminating soil class through the ANN. An accuracy level of 82% between the reference points and the digital classification was observed. The methodology proposed allowed for a preliminary soil classification of an area not previously mapped using mapping units obtained in a reference area.

Resumo

O data mining (mineração de dados) é uma das etapas do processo Knowledge Discovery in Database, que tornou se a ferramenta mais conhecida do mesmo, pois sua metodologia visa a preparação e exploração dos dados, interpretação dos resultados e a percepção dos conhecimentos minerados. Diante o crescente número de dados na área da saúde, o data mining pode ser uma ferramenta de grande importância na extração de conhecimento dos dados e dessa forma poderá auxiliar os gestores de saúde nas tomadas de decisões voltadas a prevenção e promoção da saúde.

Data mining is one of the steps of the process of Knowledge Discovery in Databases, which became the most well-known tool of this process, as it has the aim of preparing and exploring data; interpreting results and providing a perception of the mined data. Given the growing knowledge in healthcare, data mining can be a very important tool in knowledge discovery and may aid heath manager decision making in prevention and health promotion.

Resumo

In this study, an intelligent method was implemented for the detection and classification of chickens by infected Clostridium perfringens type A based on their vocalization. To this aim, the birds were first divided into two groups that were placed in separate cages with 15 chickens each. Chickens were inoculated with Clostridium perfringens type A on day 14. In order to ensure the absence of secondary diseases and their probable effect on bird vocalization, vaccines for common diseases were administered. During 30 days of the experiment, chicken vocalization was recorded every morning at 8 a.m. using a microphone and a data collection card under equal and controlled conditions. Sound signals were investigated in time domains, and 23 features were selected. Using Fisher Discriminate Analysis (FDA), five of the most important and effective features were chosen. Neural Network Pattern Recognition (NNPR) structure with one hidden layer was applied to detect signals and classifying healthy and unhealthy chickens. Firstly, this neural network was trained with 34 samples, after which eight samples were tested for accuracy. Classification accuracy was 66.6 and 100% for days 16 and 22; i.e., two and eight days after the disease, respectively. The results of this study demonstrated the usefulness and effectiveness of intelligent methods for diagnosing diseases in chickens.

Resumo

Agriculture, roads, animal farms and other land uses may modify the water quality from rivers, dams and other surface freshwaters. In the control of the ecological process and for environmental management, it is necessary to quickly and accurately identify surface water contamination (in areas such as rivers and dams) with contaminated runoff waters coming, for example, from cultivation and urban areas. This paper presents a comparative analysis of different classification algorithms applied to the data collected from a sample of soil-contaminated water aiming to identify if the water quality classification proposed in this research agrees with reality. The sample was part of a laboratory experiment, which began with a sample of treated water added with increasing fractions of soil. The results show that the proposed classification for water quality in this scenario is coherent, because different algorithms indicated a strong statistic relationship between the classes and their instances, that is, in the classes that qualify the water sample and the values which describe each class. The proposed water classification varies from excelling to very awful (12 classes).

Agricultura, estradas, fazendas de pecuária e outros usos da terra podem alterar a qualidade da água dos rios, barragens e outras águas doces superficiais. No monitoramentode processos ecológicos para a gestão ambiental, é necessário identificar com rapidez e precisão a contaminação de águas superficiais (em áreas como rios e represas) e subterrâneas, com o escoamento da água contaminada que,advinda, por exemplo, de áreas de cultivo e urbanas. Este artigo apresenta uma análise comparativa dos diferentes algoritmos de classificação aplicados a dados coletados a partir de uma amostra de água contaminada do solo, com o objetivo de criar um modelo de classificação para identificar a qualidade da água. A amostra foi parte de um experimento de laboratório, que partiu de uma amostra de água tratada, adicionando-se frações crescentes de solo. Os resultados mostram que a classificação proposta para a qualidade da água neste cenário é coerente, porque diferentes algoritmos indicaram uma forte relação estatística entre as classes e suas instâncias, ou seja, entre as classes que qualificam a amostra de água e os valores que descrevem cada classe. O modelo de classificação proposto utiliza 12 classes, que variam de excelente a muito péssima.

Resumo

A capacidade de predizer o prognóstico na área da saúde é um dos grandes desafios da pesquisa médica, o que levou ao desenvolvimento de sistemas preditivos. O Simplified Acute Physiology Score (SAPS)-3 é um dos mais utilizado em humanos, destacando-se por sua simplicidade de avaliação e acurácia prognóstica nas primeiras 24 horas de internação. Em paralelo à averiguação dos pacientes críticos, as informações coletadas para o cálculo da probabilidade de óbito podem também servir como instrumento para outras áreas da ciência. A mineração desses dados, através de programas computacionais de inteligência artificial, é realizada com a proposta de selecionar informações úteis e direcionar as condutas dos médicos perante o quadro clínico dos indivíduos através das denominadas árvores de decisão. Os objetivos deste trabalho foram (i) adaptar o modelo SAPS-3 para a espécie equina, atingindo uma margem de acerto superior a 75% no cálculo da probabilidade de óbito e (ii) confeccionar uma árvore de decisão a partir das variáveis utilizadas para o cálculo da pontuação prognóstica, de modo a fornecer suporte para o médico veterinário nos tratamentos empregados e encaminhamento dos pacientes. Utilizou-se prontuários provenientes do Hospital Veterinário de Grandes Animais da Faculdade de Medicina Veterinária e Zootecnia da Universidade de São Paulo (FMVZ/USP), datados no período de Janeiro de 2003 a Maio de 2019. A adaptação do SAPS-3 resultou na elaboração do modelo EqSAPS, o qual apresenta o total de 18 variáveis, de acordo com as características fisiológicas dos equinos e adequação à rotina dos médicos-veterinários que trabalham com esses animais. As variáveis foram avaliadas pelo algoritmo de mineração de dados J48, responsável pela montagem da árvore de decisão e análise dos resultados. Realizou-se a análise de 1.000 prontuários, obtendo-se uma porcentagem de acerto para a estimativa da probabilidade de óbito de 91,83%. A AUC (Área sob a curva de características operacionais do receptor) para o desfecho de óbito foi de 0,742, enquanto para a sobrevida de 0,652. A árvore de decisão final contemplou o valor do score calculado pelo EqSAPS, idade, temperatura retal, frequência cardíaca, presença ou não de infecção aguda, realização ou não de tratamento previamente ao encaminhamento do equino ao hospital e tempo em horas transcorrido entre o atendimento e/ou início dos sinais clínicos e encaminhamento. Conclui-se que o EqSAPS, quando utilizado juntamente com árvore de decisão, são ferramentas úteis para se avaliar a gravidade dos equinos no momento de admissão em hospitais, fornecendo suporte nas decisões a serem tomadas pelos médicos-veterinários.

The ability to predict prognosis is one of the great challenges of medical research, which has led to the development of predictive systems. The Simplified Acute Physiology Score (SAPS)-3 is one of the most used systems in humans, standing out for its simplicity of evaluation and prognostic accuracy in the first 24 hours of hospitalization. In parallel to the evaluation of critical patients, the information collected for the calculation of the probability of death can also serve as an instrument for other areas of science. The mining of these data, through artificial intelligence, is carried out with the goal of selecting useful information and directing the medical staff through so-called decision trees. The objectives of this study were: (i) to adapt the SAPS-3 model for the equine species, achieving a hit margin greater than 75% in the calculation of the probability of death, and (ii) building a decision tree to guide the veterinarian in the treatment and referral of the patients. Data were collected from medical records from the Veterinary Hospital for Large Animals of the School of Veterinary Medicine and Animal Science of the University of São Paulo (FMVZ / USP), dated from January 2003 to May 2019. The adaptation of the SAPS-3 resulted in the elaboration of the EqSAPS, which uses a total of 18 variables, according to the physiological characteristics of the horses and the routine of the veterinarians working with these animals. These variables were evaluated by the data mining algorithm J48, responsible for the assembly of a decision tree and analysis of results. The analysis of 1,000 medical records was performed, obtaining a percentage of correctness for the estimation of the probability of death of 91.83%. The AUC for death outcome was 0.742, while for survival was 0.652. The decision tree included the score calculated by EqSAPS, age, rectal temperature, heart rate, presence or absence of acute infection, whether or not any treatment was performed prior to the horse being referred to the hospital and time in hours between the initial attendance and/or beginning of clinical signs and referral to the hospital. We conclude that both EqSAPS and the decision tree are useful tools to evaluate the severity of the clinical presentation at the moment of admission to the hospital, as well as providing veterinarians with guidance in the decision-making process.

Resumo

A cobertura da terra é uma informação espacial de extrema relevância para uma série de modelos, sendo utilizada para estimar a produção de sedimentos e para mensurar a potencialidade da paisagem em sequestrar carbono. A classificação da cobertura da terra pelo método de classificação supervisionado necessita de áreas de treino, já que essas áreas devem ser representativas para cada classe de cobertura da terra. Para o algoritmo de classificação por árvore de decisão (AD), a complexidade da AD resulta em diferentes valores de acurácias para os mapas temáticos. Desse modo, o objetivo deste estudo foi determinar a densidade mínima de amostras em um modelo por AD, a fim de discriminar as classes de cobertura da terra e avaliar o tamanho da AD gerada quanto ao seu número de folhas. Além disso, preocupou-se em identificar as classes da cobertura da terra de mais difícil classificação. Nesse contexto, foram utilizadas bandas da imagem do satélite RESOURCESAT-1 e índices espectrais. A densidade mínima de amostras variou entre 0,15 e 0,30% da área total para cada classe. Esse intervalo de amostragem possibilitou resultados melhores que 80% para o índice kappa. O menor agrupamento entre observações em uma mesma folha terminal foi de 45, e as classes mais difíceis de classificar foram floresta e lavoura de arroz, devido à semelhança espectral que as florestas sombreadas possuem com as lavouras de arroz irrigadas.

Land cover is a spatial information of great relevance for a variety of models for estimating sediment yield and to measure the potential of the landscape carbon sequestration. The classification of land cover by the supervised method requires training areas, these areas must be representative of each class of land cover. For the classification decision tree (DT) algorithm, the complexity of DT, results in different values of accuracies for thematic maps. Thus, the objective of this study was to estimate the minimum sample density in a DT model which would allow to discriminate land cover classes, evaluate the size of the generated DT model, as well as, identify the more difficult land cover class to be mapped. Satellite images from RESOURCESAT-1as well as spectral indices were used in the study. The minimum sample density varied between 0.15 and 0.30% of the total area for each class, this sampling interval allowed better results than 80% for kappa index. The smallest grouping of observations in the same terminal leaf was 45 observations. In this study the most difficult land use classes to be mapped were forest and rice crops due to spectral similarity of shaded forests with irrigated rice crops.

Resumo

O estresse térmico em vacas de leite tem sido estudado como um caminho para melhorar a eficiência produtiva e o bem-estar animal. Diversos autores têm verificado o potencial da termografia de infravermelho como ferramenta não-invasiva para monitorar a temperatura de superfície dos animais. Da mesma forma, modelos computacionais têm sido estudados na área animal, com o intuito de melhorar os sistemas de processamento de dados. O objetivo desse estudo foi elaborar um classificador para estimar o nível de conforto térmico de vacas de leite (Holandesas) utilizando modelagem computacional, técnica que pode auxiliar nesta predição ao extrair informações de dados meteorológicos e fisiológicos combinados. Para isso, a temperatura retal (TR), frequência respiratória (FR) e temperatura de superfície corporal (TIV) de 26 vacas lactantes, foram monitoradas durante 40 dias não consecutivos, três vezes ao dia (5, 13 e 19 horas) em duas épocas do ano verão e inverno. As TIVs das regiões da fronte, área ocular, costela e flanco. No mesmo período, dados meteorológicos foram registrados em uma estação meteorológica e em data loggers (Onset HOBO) instalados no freestall. Dados produtivos do rebanho foram monitorados conforme realizado pelo Setor de Bovinocultura de Leite da Prefeitura do Campus da USP, Pirassununga, SP. Foi realizada análise dos dados por estatística descritiva e regressão linear para auxiliar na escolha de parâmetros dos modelos computacionais, de forma que os modelos baseados em rede neural artificial (RNA) e rede neural convolucional (CNN) foram desenvolvidos considerando variáveis climáticas e fisiológicas, definidas por tal análise. Os modelos baseados em RNA foram construídos utilizando arquitetura Perceptron, alimentada adiante com múltiplas camadas. Já os modelos baseados em CNN foram desenvolvidos de acordo com o modelo Sequential. A eficiência dos modelos baseados em RNA para predição de FR (RNA-FR) e TR (RNA-TR) foi avaliada com diagramas de dispersão entre as respostas preditas com as reais e pela comparação com as respostas de modelos estatísticos (análises de regressão) para predição da FR (REG-FR) e TR (REG-TR). A partir dos modelos RNA-FR e RNA-TR, foram elaboradas classificações em níveis de estresse térmico (Conforto, Alerta, Perigo e Emergência). A eficiência destas classificações foi avaliada por métricas extraídas de matrizes de confusão (acurácia, precisão, sensibilidade e medida F1) e comparada com os resultados de métodos tradicionais de classificação em níveis de estresse térmico, o Índice de Temperatura e Umidade (ITU) e o Índice de Temperatura de Globo Negro e Umidade (ITGU). Para o modelo baseado em CNN, os parâmetros extraídos de matrizes de confusão foram utilizados como forma de avaliar o desempenho das classificações em níveis de estresse térmico desenvolvidos. Com relação às prediçãos de FR e TR, observou-se que os modelos RNA apresentaram melhores resultados quando comparados com os REG, observando-se correlações de 0,83 (RNA-FR) e 0,84 (RNATR) para predição dos dados fisiológicos. Os classificadores baseados em RNA apresentaram melhores resultados comparados as classificações obtidas com o ITGU e o ITU. Quanto ao classificador baseado em CNN, este estudo demonstrou que se trata de uma ferramenta promissora, com potencial para identificação de padrões e classificação de imagens térmicas em níveis de estresse térmico. As acurácias obtidas com este classificador (CNN) foram 76% para FR e 71% para TR. Novos estudos devem ser feitos para minimizar o efeito do ambiente climático sobre as imagens térmicas e contribuir para a padronização da escala de cores que afetam diretamente o aprendizado do modelo CNN.

Thermal stress in dairy cows has been studied as a way to improve productive efficiency and animal welfare. Several authors have verified the potential of infrared thermography as a noninvasive tool to monitor surface temperature of animals. Similarly, computer models have been studied in animal area in order to improve data processing systems. The objective of this study was to develop a classifier to estimate the thermal comfort level of dairy cows (Holstein) using computational modeling, a technique that can assist in this prediction by extracting information from combined meteorological and physiological data. For this, the rectal temperature (RT), respiratory rate (RR) and body surface temperature (IRT) of 26 lactating cows were monitored during 40 non-consecutive days, three times a day (5, 13 and 19 hours) in two times of year - summer and winter. IRTs of the forehead, eye area, rib and flank regions. In the same period, weather data were recorded at a weather station and data loggers (Onset HOBO) installed in the freestall. Herd production data were monitored as conducted by the USP Milk Cattle Sector, Pirassununga, SP. Data analysis was performed by descriptive statistics and linear regression to assist in the choice of parameters of computational models, so that models based on artificial neural network (ANN) and convolutional neural network (CNN) were developed considering climatic and physiological variables defined by such analysis. The ANN-based models were built using Perceptron architecture, fed with multiple layers. CNNbased models were developed according to the Sequential model. The efficiency ofANN-based models for predicting RR (ANN-RR) and RT (ANN-RT) was evaluated with scatter plots between predicted and actual responses and by comparison with statistical model responses (regression analyzes) for predicting RR (REG-RR) and RT (REG-RT). From the ANN-RR and ANN-RT models, classifications were developed for thermal stress levels (Comfort, Alert, Danger and Emergency). The efficiency of these classifications was assessed by metrics extracted from confusion matrices (accuracy, precision, sensitivity, and F1 Score) and compared with the results of traditional methods of classifications for thermal stress levels, the Temperature and Humidity Index (THI), and the Black Globe Humidity Temperature Index (BGTHI). For the CNN-based model, the parameters extracted from confusion matrices were used as a way to evaluate the performance of the classifications in developed thermal stress levels. Regarding the RR and RT estimates, it was observed that the ANN models presented better results when compared to the REG, observing correlations of 0.83 (ANN-RR) and 0.84 (ANN-RT) to estimate the results of physiological data. The ANN-based classifiers presented better results compared to the classifications obtained with the BGTHI and the THI. In relation to the CNN-based classifier, this study demonstrated that it is a promising tool with potential for pattern identification and thermal image classification at thermal stress levels. The accuracy obtained with this classifier (CNN) was 76% for RR and 71% for RT. Further studies should be done to minimize the effect of the climate environment on thermal imagery and to contribute to color scale standardization that directly affect CNN learning.

Resumo

Thermal comfort is of great importance in preserving body temperature homeostasis during thermal stress conditions. Although the thermal comfort of horses has been widely studied, there is no report of its relationship with surface temperature (T S). This study aimed to assess the potential of data mining techniques as a tool to associate surface temperature with thermal comfort of horses. T S was obtained using infrared thermography image processing. Physiological and environmental variables were used to define the predicted class, which classified thermal comfort as "comfort" and "discomfort". The variables of armpit, croup, breast and groin T S of horses and the predicted classes were then subjected to a machine learning process. All variables in the dataset were considered relevant for the classification problem and the decision-tree model yielded an accuracy rate of 74 %. The feature selection methods used to reduce computational cost and simplify predictive learning decreased model accuracy to 70 %; however, the model became simpler with easily interpretable rules. For both these selection methods and for the classification using all attributes, armpit and breast T S had a higher power rating for predicting thermal comfort. Data mining techniques show promise in the discovery of new variables associated with the thermal comfort of horses.

Resumo

Digital soil mapping (DSM) has been shown to be feasible to use in soil survey. Although several methods have been exploited, there is a lack in defining methodologies for doing DSM. This study tests five decision trees algorithms that have been identified as suitable (Simple Chart, Random Tree, REP Tree, BF Tree, and J48) and three digital elevation models (AsterGDEM, SRTM and SRTM V3) for DSM at semidetailed level in situations where the main differentiating factor between soil types is the relief. The use of MDE Aster GDEM and decision three algorithms J48, Simple Tree e BF Tree produced decision tree models capable of produce soil maps with larger accuracy related to reference soil maps.

O mapeamento digital de solos (MDS) tem como base a geração de sistemas de informações que permitem estabelecer relações matemáticas entre variáveis ambientais e solos e, dessa forma, predizer a distribuição espacial das classes ou propriedades dos solos. Dentre as abordagens mais utilizadas, as árvores de decisão têm se destacado por apresentar bons resultados no MDS. Por outro lado, dada a disponibilidade de novas fontes de informação sobre a elevação, torna-se necessário o teste e avaliação de modelos digitais de elevação (MDE) quanto ao seu uso para o MDS. Este estudo testa cinco algoritmos de árvores de decisão (Simple Chart, Random Tree, REP Tree, BF Tree e J48) e três MDE (Aster GDEM, SRTM e SRTM V3) para o MDS a nível semidetalhado, em situações em que o principal fator diferenciador entre os tipos de solo é o relevo. O uso do MDE Aster GDEM e árvore de decisão com algoritmo J48, Simple Tree e BF Tree foram os que produziram modelos de árvore de decisão capazes de produzir mapas de solo com maior similaridade ao mapa de referência.

Resumo

Effective usable area is a key parameter in land acquisition and afforestation planning. The purpose of this research was to generate predictive maps of areas suitable for planting eucalyptus trees using binary logistic regressions and geomorphometric variables. The relationships between the predicting variables and suitable areas for planting eucalyptus trees were modeled and the variable that best explained occurrence of suitable lands was distance from rivers. The generated map showing areas suitable for planting had a high ability to reproduce the original planting map. Logistic regressions demonstrated the feasibility of use this approach to map suitability for eucalyptus forestation.

A área útil efetiva é um parâmetro importante na aquisição de terras e planejamento do florestamento. A finalidade desta pesquisa foi gerar mapas preditores de áreas aptas ao plantio de eucalipto usando regressões logísticas binárias e variáveis geomorfométricas. As relações entre as variáveis preditoras e as áreas aptas para plantio de eucalipto foram modeladas e a variável que melhor explicou a ocorrência de áreas para plantio foi a distância dos rios. O mapa gerado apresentando as áreas aptas para plantio mostrou alta capacidade de reproduzir o mapa original de plantio de eucalipto. As regressões logísticas demonstraram viabilidade do uso para o mapeamento da aptidão para o plantio de eucalipto.

Resumo

O ambiente aéreo em aviários de frango de corte exige manejos diferenciados conforme a época do ano para manter a concentração de amônia abaixo de 10 ppm, condição ótima para frangos de corte apresentarem desempenho e bem-estar adequados. A amônia é volatilizada a partir da decomposição microbiana na cama de frango aviária e dependente de vários fatores, entre eles, condições ambientais internas e externas, características da cama e tipologia de aviário. A sistematização e análise de dados podem auxiliar na compreensão de estudos que contenham uma variabilidade de interferentes, como a ambiência aérea; e a mineração de dados é uma técnica que tem função de analisar o banco de dados gerado. Foram realizados três estudos para avaliar a produção de amônia em galpões de frango de corte durante condições de calor e clima ameno, por intermédio de metanálise e mensuração do ambiente. O primeiro estudo resultou em um banco de dados de concentração de amônia por meio da técnica de metanálise. A análise dos dados foi realizada por meio da técnica de mineração de dados para as classes de concentração de amônia menor que 20 ppm e igual ou acima deste limite. Aviários de pressão negativa apresentaram altas concentrações de amônia e o horário de coleta no turno da manhã apresentou condição de concentração de amônia igual ou acima de 20 ppm. Aviários de tipologia convencional, utilizando maravalha e com densidade de criação maiores de 15 aves m-2 obtiveram classificação de concentração de amônia acima do limite ideal ( 20 ppm). O segundo estudo propiciou uma metanálise da emissão de amônia que permitiu, por meio da técnica de mineração de dados, obter duas abordagens de classificação: a) altos níveis de emissão de amônia ( 42,2 mg Kg-1 de cama de frango) e b) baixos níveis de emissão de amônia (< 42,2 mg Kg-1 de cama de frango). Aviário de tipologia Dark House foi o único que se classificou para a emissão de amônia em Elevada em função da estação do ano ser inverno. A cama de frango de maravalha de madeira apresentou menor emissão em aviários convencionais, ao contrário da casca de arroz (alta emissão de amônia). Cama de aviário com pH acima de 8,3 e densidade de criação maiores de 12 aves m-² obtiveram classificação como Elevada emissão de amônia. No terceiro estudo foi realizado a coleta de concentração de amônia, velocidade do ar, temperatura interna e externa em seis aviários de tipologias diferentes e condições climáticas de calor, sendo analisados por meio da geoestatística. A concentração de amônia tende a ser maior na parte central e final dos aviários, lugares em que foi constatado maior temperatura interna. Melhores manejos de ventilação poderiam solucionar os problemas com temperatura alta e concentração de amônia ao longo dos aviários. Os resultados observados nas metanálises de concentração e emissão de amônia apontam para condições de instalações e características da cama de frango. A mineração de dados permitiu avaliar a produção de amônia em diferentes tipologias de aviários de forma sistemática por meio de dois bancos de dados construídos pela técnica de metanálise. As regras dos modelos permitiram extrair conhecimentos coerentes e úteis para os dois bancos de dados metanalíticos. A utilização de mapas de variabilidade é outro meio adequado para a avaliação de variáveis como a concentração de amônia e a temperatura interna. No entanto, vários fatores influenciam e, se manejados corretamente, podem minimizar a emissão e concentração de amônia no interior da instalação. Aliar a ambiência térmica e aérea em função do sistema de ventilação é uma opção para melhorar os índices de bem-estar em frangos de corte.

The aerial environment in broiler houses requires differentiated management depending on the time of year to maintain an ammonia concentration below 10 ppm, optimal condition for broilers, and adequate performance and well-being. The ammonia is volatilized from the microbial decomposition in the poultry litter and dependent on several factors, among them, internal and external environmental conditions, litter characteristics and facility typology. The systematization and analysis of data can help in to understanding studies that contain a variability of interferences, like an aerial ambience; and a data mining is a technique that has the function of analyzing the generated database. Three studies were carried out to evaluate the production of ammonia in broiler houses in conditions of heat and mild climate, by means of meta-analysis and environmental measurement. The first study resulted in an ammonia concentration database using the meta-analysis technique. Data analysis was with data mining technique, using two ammonia concentration classes: less than 20 ppm and equal or above this limit. Negative pressure facilities presented high ammonia concentration and morning time presented an ammonia concentration equal or above 20 ppm. Conventional facilities, using wood shavings and stoking density whit more than 15 birds m-2 had an ammonia concentration classification above the ideal limit ( 20 ppm). The second study provided a meta-analysis of the ammonia emission that allowed, through the data mining technique, to obtain two classification approaches: a) high ammonia emission levels ( 42.2 mg Kg-1 of poultry litter) and b) low ammonia emission levels (<42.2 mg Kg-1 poultry litter). Only Dark House was qualified for High ammonia emission due the winter season. The wood shavings poultry litter presented low emission when in conventional houses, in contrast to rice husk (high ammonia emission). Poultry litter whit above 8.3 and stocking density greater than 12 birds m-2 obtained High ammonia emission classification. In the third study the ammonia concentration, air velocity, internal and external temperature were collected in six broiler houses of different typologies and climatic conditions of heat, being analyzed by geostatistics. The concentration of ammonia tends to be higher in the central and final part of the broiler houses, places where the internal temperature was higher. Better ventilation maneuvers could solve the problems with high temperature and ammonia concentration throughout the broiler houses. The results observed in the concentration and ammonia emission meta-analysis point to conditions of facilities and characteristics of the poultry litter. Data mining allowed the evaluation of ammonia production in different typologies of aviaries in a systematic way through two databases constructed by the meta-analysis technique. The rules of the figure models allowed extracting coherent and useful knowledge in meta-analysis databases. The use of maps of variability is another suitable means for the evaluation of variables such as ammonia concentration and internal temperature. However, several factors influence and, if handled correctly, can minimize the emission and concentration of ammonia inside the broiler house. Combining the thermal and aerial ambience with the ventilation system is an option to improve the welfare indexes in broilers.

Resumo

Apesar da evolução do consumo e produção e ovos no Brasil nos últimos anos, os investimentos em ambiência bem-estar são poucos, tornando a atividade vulnerável a variações climáticas. Esta tese teve por objetivo revisar o impacto do calor na produção de ovos, avaliar as respostas produtivas de mortalidade de poedeiras e de perda produtiva devido ao clima, usando dados medidos em estações meteorológicas. Os resultados e a revisão que fazem parte desta tese estão apresentados sob a forma artigos científicos. A revisão bibliográfica estuda a questão do bem-estar animal e o impacto das variações climáticas na produtividade de poedeiras. O segundo artigo avalia a influência das variáveis ambientais do mesmo dia e de dias anteriores à postura, sobre a produtividade de ovos. E o terceiro artigo classifica a ocorrência de mortalidade elevada de poedeiras em condições meteorológicas potencialmente desencadeadoras de estresse térmico. O banco de dados utilizado foi composto por dados de uma empresa de produção de ovos para consumo, incorporados aos dados de produção esperada obtidos de manuais de linhagens e aos dados de estações meteorológicas próximas às granjas. A análise dos dados foi com a técnica de mineração de dados, utilizando duas classes tanto para produtividade como para mortalidade. O nó raiz das árvores de classificação da produtividade e da mortalidade, reforça que a ocorrência de valores de ITU iguais ou acima a 23º C, desencadeia o estresse por calor, influenciando a produtividade e a mortalidade de poedeiras comerciais. Os dados meteorológicos de estações próximas e os registros zootécnicos de granjas de galinhas poedeiras comerciais apresentam padrões que permitiram desenvolver modelos compreensíveis e relevantes para estimar quedas na produção e a ocorrência de mortalidade elevada, causadas por eventos climáticos de calor. Aves poedeiras comerciais leves e semipesadas tiveram redução na produtividade com valores de ITU maiores que 23 ºC. Aves poedeiras alojadas em granjas com idade superior a 21 semanas apresentaram elevação da mortalidade quando ocorreu pelo menos uma hora com 23 ºC de ITU.

Despite the evolution of consumption and egg production in Brazil in recent years, investments in welfare and animal environment are few, making the activity vulnerable to climatic variations. This thesis aims review the heat impact in egg production, evaluate productive losses and laying mortality due heat stress, using data from meteorological stations. The results and the review that are part of this thesis are presented in scientific articles. The literature review discusses the issue of animal welfare and the impact of climatic variations on egg production and consumption. The second article evaluates the influence of environmental variables of the same day and days before the posture, on productivity. And the third article classifies the occurrence of high mortality of laying hens in weather conditions that could potentially trigger thermal stress. The database used consisted of data from an egg producing company, incorporated into the expected production data obtained from lineage manuals and data from meteorological stations near the farms. Data analysis was done using the data mining technique, using two classes for both productivity and mortality. The root node of the trees of productivity and mortality classification reinforces that the occurrence of Temperature Humidity Index (THI) values equal or above 23 ºC, triggers heat stress, influencing the productivity and mortality of commercial laying hens. The meteorological data from nearby stations and the producing data of commercial laying hens farms present patterns that allowed the development of understandable and relevant models to estimate falls in production and the occurrence of high mortality caused by climatic events of heat. Light and semi-heavy commercial laying hens had a reduction in productivity with THI values greater than 23º C. Layers housed on farms over 21 weeks showed increased mortality when it occurred for at least one hour with 23º C of THI.